4.3 Алгоритм екзамену за мфсв

На рис.4 показано структурну схему алгоритму екзамену для нечіткого розбиття простору ознак розпізнавання, яке має місце у загальному випадку. Алгоритм має такі вхідні дані:  масив еталонних двійкових векторів: змінна числа класів розпізнавання;  цілий масив оптимальних радіусів контейнерів класів розпізнавання у кодовій відстані Хеммінга;  двійкова реалізація образу, що розпізнається.

Рисунок 4– Структурна схема алгоритму екзамену:

Виходом алгоритму є повідомлення про належність реалізації, що розпізнається, деякому класу із сформованого на етапі навчання алфавіту класів . На рис.4блок 5 обчислює, починаючи з базового класу, кодову відстаньміжпоточним еталоннимвектором і реалізацією ХР. Блок 6 для кожного класу обчислює значення функції належності, яка для гіперсферичного класифікатора має вигляд

(4.3.1)

Після виходу із циклу блок 8 визначає клас,до якого належить реалізаціяХР за максимальним значеннямфункції належності (4.3.1).

5 Виконання КурсовОї роботИ

5.1 Загальні вказівки

Курсова робота на тему: «Інформаційний синтез СПР, що навчається» виконується за матеріалами розділів чотири і п’ять конспекту лекцій дистанційного курсу “Системи і методи прийняття рішень”.

Норма часу на СРС – 24 год.

5.2 Завдання на курсову роботу

Варіант 1. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• кількість ознак розпізнавання  16;

• кількість реалізацій образу одного класу 30;

• інформаційний критерій оптимізації за Шенноном.

Варіант 2. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• кількість ознак розпізнавання  16.

• кількість реалізацій образу одного класу 30.

• інформаційний критерій оптимізації за Кульбаком.

Варіант 3. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• кількість ознак розпізнавання  16.

• кількість реалізацій образу одного класу 30.

• інформаційний критерій оптимізації за Шенноном.

Варіант 4. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань. Задано такі параметри:

• кількість ознак розпізнавання  16;

• кількість реалізацій образу одного класу 30;

• інформаційний критерій оптимізації за Кульбаком.

Варіант 5. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• рецепторне поле 100100 пікселів;

• інформаційний критерій оптимізації за Шенноном.

Варіант 6. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань. Задано такі параметри:

• рецепторне поле 100100 пікселів;

• інформаційний критерій оптимізації за Кульбаком.

Варіант 7. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• рецепторне поле 150150 пікселів;

• інформаційний критерій оптимізації за Шенноном.

Варіант 8. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• рецепторне поле 150150 пікселів;

• інформаційний критерій оптимізації за Куль баком.

Варіант 9. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• рецепторне поле 100100 пікселів;

• інформаційний критерій оптимізації за Шенноном.

Варіант 10. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• рецепторне поле 100100 пікселів;

• інформаційний критерій оптимізації за Кульбаком.

Варіант 11. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• рецепторне поле 150150 пікселів;

• інформаційний критерій оптимізації за Шенноном

Варіант 12. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• рецепторне поле 150150 пікселів;

• інформаційний критерій оптимізації за Кульбаком.

Варіант 13. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• рецепторне поле 200200 пікселів;

• інформаційний критерій оптимізації за Шенноном.

Варіант 14. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• рецепторне поле 200200 пікселів;

• інформаційний критерій оптимізації за Куль баком.

Варіант 15. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• рецепторне поле 200200 пікселів;

• інформаційний критерій оптимізації за Шенноном.

Варіант 16. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• рецепторне поле 200200 пікселів;

• інформаційний критерій оптимізації за Кульбаком.

Варіант 17. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• кількість ознак розпізнавання  18;

• кількість реалізацій образу одного класу 30;

• інформаційний критерій оптимізації за Шенноном.

Варіант 18. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• кількість ознак розпізнавання  18.

• кількість реалізацій образу одного класу 30.

• інформаційний критерій оптимізації за Кульбаком.

Варіант 19. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

• кількість ознак розпізнавання  15.

• кількість реалізацій образу одного класу 30.

• інформаційний критерій оптимізації за Шенноном.

Варіант 20. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань. Задано такі параметри:

• кількість ознак розпізнавання  15;

• кількість реалізацій образу одного класу 30;

• інформаційний критерій оптимізації за Кульбаком.